1. 项目概述大模型RAG与Agent智能体实战入门最近在探索大模型应用开发时发现RAG检索增强生成与Agent智能体的组合正在成为行业新趋势。这套技术栈能让大模型突破自身知识局限通过外部数据检索和工具调用实现更复杂的任务处理。作为LangChain框架的深度用户我想分享一个从零开始的实战入门路径重点解析create_agent()、tool装饰器和type(msg).__name__这三个核心组件的配合使用。这个教程特别适合已经掌握基础Prompt工程想要进阶开发智能体应用的开发者。通过本文你将学会如何构建一个能自主调用工具、处理多步骤任务的智能体系统。下面我会用最直白的语言拆解实现细节包含大量实际编码中才会遇到的坑点解决方案。2. 核心组件解析与环境搭建2.1 LangChain中的Agent运作机制智能体(Agent)与传统链式调用的本质区别在于决策能力。当接收到用户输入时智能体会自主决定是否需要调用工具、如何解析工具输出、何时返回最终结果。这种动态决策流程通过ReActReasoningActing模式实现其核心是一个循环过程分析当前状态和任务目标决定下一步行动调用工具/直接响应执行行动并观察结果重复直到任务完成在LangChain中这个流程被封装成AgentExecutor类开发者只需通过create_agent()函数配置三个关键要素LLM核心如GPT-4/Claude等工具集自定义或预置工具提示词模板指导决策逻辑2.2 开发环境准备建议使用Python 3.9环境关键依赖包括pip install langchain0.1.0 langchain-core0.1.0 langchain-community0.0.1对于工具开发测试推荐Jupyter Notebook环境方便交互调试。如果是生产部署则需要考虑异步调用处理asyncio超时重试机制对话状态管理3. 智能体构建实战详解3.1 工具函数开发与tool装饰器工具是智能体的手脚通过tool装饰器可以将普通Python函数转化为智能体可调用的工具。下面是一个天气预报工具的完整实现from langchain.tools import tool import requests tool def get_weather(city: str) - str: 获取指定城市的实时天气数据 参数: city: 城市名称中文/英文 返回: 字符串格式的天气信息 # 实际项目中应该替换为真实的天气API mock_data { 北京: 晴, 25℃, Shanghai: Cloudy, 28℃ } return mock_data.get(city, f未找到{city}的天气信息) # 测试工具 print(get_weather.invoke(北京)) # 输出: 晴, 25℃关键注意事项函数文档字符串必须清晰描述功能和参数智能体依赖这些信息做决策参数建议使用基础类型str/int/float/bool工具函数应保持幂等性相同输入总是相同输出3.2 智能体创建与配置使用create_agent()组合所有组件from langchain.agents import create_react_agent from langchain import hub from langchain_community.chat_models import ChatOpenAI # 加载预设提示词模板 prompt hub.pull(hwchase17/react-chat) # 配置工具集 tools [get_weather] # 创建智能体 agent create_react_agent( llmChatOpenAI(modelgpt-3.5-turbo, temperature0), toolstools, promptprompt )提示词模板的选择直接影响智能体行为。react-chat模板适合对话场景如果是数据操作任务建议使用hwchase17/react模板。3.3 消息类型处理与type(msg).name在智能体开发中正确处理各种消息类型至关重要。type(msg).__name__技巧常用于调试和消息路由def process_message(msg): msg_type type(msg).__name__ if msg_type HumanMessage: print(f用户输入: {msg.content}) elif msg_type AIMessage: print(fAI回复: {msg.content}) elif msg_type ToolMessage: print(f工具调用结果: {msg.content}) else: print(f未知消息类型: {msg_type})实际开发中常见的消息类型包括HumanMessage用户原始输入AIMessage大模型的直接回复ToolMessage工具调用返回结果SystemMessage系统级指令4. 典型问题排查与优化技巧4.1 工具调用失败场景处理当智能体无法正确调用工具时建议按以下步骤排查检查工具注册是否成功print(agent.tools) # 应显示已注册工具列表验证工具描述是否清晰print(get_weather.description) # 自动生成的工具描述使用debug模式查看决策过程from langchain.globals import set_debug set_debug(True)4.2 提示词工程优化智能体表现不佳时90%的问题可通过优化提示词解决。关键技巧包括在系统消息中明确角色定义prompt 你是一个专业的气候助手专门回答与天气相关的问题。 你的能力包括 - 查询实时天气 - 比较不同城市气候 - 提供穿衣建议添加工具使用示例examples 用户上海天气怎么样 AI: 我应该调用get_weather工具查询上海天气 工具调用: get_weather(上海) 结果: Cloudy, 28℃ AI: 上海目前多云气温28摄氏度 4.3 性能优化方案当智能体响应延迟较高时可以考虑工具调用并行化from langchain.agents import ToolExecutor tool_executor ToolExecutor(tools)缓存频繁查询结果from langchain.cache import InMemoryCache from langchain.globals import set_llm_cache set_llm_cache(InMemoryCache())限制工具调用深度agent_executor AgentExecutor(agentagent, toolstools, max_iterations5)5. 进阶开发与RAG集成5.1 为智能体添加知识检索能力将RAG流程集成到智能体系统中from langchain.retrievers import BM25Retriever from langchain.embeddings import OpenAIEmbeddings # 构建检索器 retriever BM25Retriever.from_texts( [北京年均气温12℃, 上海雨季在6月], embeddingOpenAIEmbeddings() ) tool def search_knowledge(query: str) - str: 检索内部知识库 docs retriever.get_relevant_documents(query) return \n.join(d.page_content for d in docs)5.2 多智能体协作系统通过langgraph实现智能体间通信from langgraph.graph import Graph workflow Graph() # 定义不同角色的智能体 weather_agent create_react_agent(...) travel_agent create_react_agent(...) # 构建协作流程 workflow.add_node(weather, weather_agent) workflow.add_node(travel, travel_agent) workflow.add_edge(weather, travel)这种架构适合复杂任务分解比如旅行规划场景中天气智能体先查询目的地气候再将结果传递给行程规划智能体。6. 生产环境部署建议当智能体系统开发完成后部署时需要考虑会话状态管理from langchain.memory import RedisChatMessageHistory history RedisChatMessageHistory( session_iduser123, urlredis://localhost:6379 )限流与熔断机制from langchain.callbacks import StreamingStdOutCallbackHandler agent create_react_agent( ..., callbacks[StreamingStdOutCallbackHandler()] )监控与日志from langchain.schema import LLMResult def log_result(result: LLMResult): print(fGeneration: {result.generations}) agent.callbacks.on_llm_end(log_result)实际项目中建议使用LangSmith进行全链路追踪和分析这对调试复杂交互流程特别有帮助。
LangChain实战：RAG与Agent智能体开发入门指南
1. 项目概述大模型RAG与Agent智能体实战入门最近在探索大模型应用开发时发现RAG检索增强生成与Agent智能体的组合正在成为行业新趋势。这套技术栈能让大模型突破自身知识局限通过外部数据检索和工具调用实现更复杂的任务处理。作为LangChain框架的深度用户我想分享一个从零开始的实战入门路径重点解析create_agent()、tool装饰器和type(msg).__name__这三个核心组件的配合使用。这个教程特别适合已经掌握基础Prompt工程想要进阶开发智能体应用的开发者。通过本文你将学会如何构建一个能自主调用工具、处理多步骤任务的智能体系统。下面我会用最直白的语言拆解实现细节包含大量实际编码中才会遇到的坑点解决方案。2. 核心组件解析与环境搭建2.1 LangChain中的Agent运作机制智能体(Agent)与传统链式调用的本质区别在于决策能力。当接收到用户输入时智能体会自主决定是否需要调用工具、如何解析工具输出、何时返回最终结果。这种动态决策流程通过ReActReasoningActing模式实现其核心是一个循环过程分析当前状态和任务目标决定下一步行动调用工具/直接响应执行行动并观察结果重复直到任务完成在LangChain中这个流程被封装成AgentExecutor类开发者只需通过create_agent()函数配置三个关键要素LLM核心如GPT-4/Claude等工具集自定义或预置工具提示词模板指导决策逻辑2.2 开发环境准备建议使用Python 3.9环境关键依赖包括pip install langchain0.1.0 langchain-core0.1.0 langchain-community0.0.1对于工具开发测试推荐Jupyter Notebook环境方便交互调试。如果是生产部署则需要考虑异步调用处理asyncio超时重试机制对话状态管理3. 智能体构建实战详解3.1 工具函数开发与tool装饰器工具是智能体的手脚通过tool装饰器可以将普通Python函数转化为智能体可调用的工具。下面是一个天气预报工具的完整实现from langchain.tools import tool import requests tool def get_weather(city: str) - str: 获取指定城市的实时天气数据 参数: city: 城市名称中文/英文 返回: 字符串格式的天气信息 # 实际项目中应该替换为真实的天气API mock_data { 北京: 晴, 25℃, Shanghai: Cloudy, 28℃ } return mock_data.get(city, f未找到{city}的天气信息) # 测试工具 print(get_weather.invoke(北京)) # 输出: 晴, 25℃关键注意事项函数文档字符串必须清晰描述功能和参数智能体依赖这些信息做决策参数建议使用基础类型str/int/float/bool工具函数应保持幂等性相同输入总是相同输出3.2 智能体创建与配置使用create_agent()组合所有组件from langchain.agents import create_react_agent from langchain import hub from langchain_community.chat_models import ChatOpenAI # 加载预设提示词模板 prompt hub.pull(hwchase17/react-chat) # 配置工具集 tools [get_weather] # 创建智能体 agent create_react_agent( llmChatOpenAI(modelgpt-3.5-turbo, temperature0), toolstools, promptprompt )提示词模板的选择直接影响智能体行为。react-chat模板适合对话场景如果是数据操作任务建议使用hwchase17/react模板。3.3 消息类型处理与type(msg).name在智能体开发中正确处理各种消息类型至关重要。type(msg).__name__技巧常用于调试和消息路由def process_message(msg): msg_type type(msg).__name__ if msg_type HumanMessage: print(f用户输入: {msg.content}) elif msg_type AIMessage: print(fAI回复: {msg.content}) elif msg_type ToolMessage: print(f工具调用结果: {msg.content}) else: print(f未知消息类型: {msg_type})实际开发中常见的消息类型包括HumanMessage用户原始输入AIMessage大模型的直接回复ToolMessage工具调用返回结果SystemMessage系统级指令4. 典型问题排查与优化技巧4.1 工具调用失败场景处理当智能体无法正确调用工具时建议按以下步骤排查检查工具注册是否成功print(agent.tools) # 应显示已注册工具列表验证工具描述是否清晰print(get_weather.description) # 自动生成的工具描述使用debug模式查看决策过程from langchain.globals import set_debug set_debug(True)4.2 提示词工程优化智能体表现不佳时90%的问题可通过优化提示词解决。关键技巧包括在系统消息中明确角色定义prompt 你是一个专业的气候助手专门回答与天气相关的问题。 你的能力包括 - 查询实时天气 - 比较不同城市气候 - 提供穿衣建议添加工具使用示例examples 用户上海天气怎么样 AI: 我应该调用get_weather工具查询上海天气 工具调用: get_weather(上海) 结果: Cloudy, 28℃ AI: 上海目前多云气温28摄氏度 4.3 性能优化方案当智能体响应延迟较高时可以考虑工具调用并行化from langchain.agents import ToolExecutor tool_executor ToolExecutor(tools)缓存频繁查询结果from langchain.cache import InMemoryCache from langchain.globals import set_llm_cache set_llm_cache(InMemoryCache())限制工具调用深度agent_executor AgentExecutor(agentagent, toolstools, max_iterations5)5. 进阶开发与RAG集成5.1 为智能体添加知识检索能力将RAG流程集成到智能体系统中from langchain.retrievers import BM25Retriever from langchain.embeddings import OpenAIEmbeddings # 构建检索器 retriever BM25Retriever.from_texts( [北京年均气温12℃, 上海雨季在6月], embeddingOpenAIEmbeddings() ) tool def search_knowledge(query: str) - str: 检索内部知识库 docs retriever.get_relevant_documents(query) return \n.join(d.page_content for d in docs)5.2 多智能体协作系统通过langgraph实现智能体间通信from langgraph.graph import Graph workflow Graph() # 定义不同角色的智能体 weather_agent create_react_agent(...) travel_agent create_react_agent(...) # 构建协作流程 workflow.add_node(weather, weather_agent) workflow.add_node(travel, travel_agent) workflow.add_edge(weather, travel)这种架构适合复杂任务分解比如旅行规划场景中天气智能体先查询目的地气候再将结果传递给行程规划智能体。6. 生产环境部署建议当智能体系统开发完成后部署时需要考虑会话状态管理from langchain.memory import RedisChatMessageHistory history RedisChatMessageHistory( session_iduser123, urlredis://localhost:6379 )限流与熔断机制from langchain.callbacks import StreamingStdOutCallbackHandler agent create_react_agent( ..., callbacks[StreamingStdOutCallbackHandler()] )监控与日志from langchain.schema import LLMResult def log_result(result: LLMResult): print(fGeneration: {result.generations}) agent.callbacks.on_llm_end(log_result)实际项目中建议使用LangSmith进行全链路追踪和分析这对调试复杂交互流程特别有帮助。